Yapay zeka destekli hava durumu tahmin modelleri, meteoroloji alanında devrim yaratarak geleneksel fizik tabanlı yaklaşımları hız ve doğruluk açısından geçmeye başladı. Ancak bu modellerin önemli bir sorunu vardı: uzun vadeli tahminlerde fiziksel gerçeklikten uzaklaşıyorlar ve aşırı yumuşatılmış sonuçlar üretiyorlardı.
Araştırmacılar bu problemi çözmek için özgün bir yaklaşım geliştirdi. Geleneksel makine öğrenmesi modellerinin tek tek değişkenlere odaklanan kayıp fonksiyonları yerine, atmosferdeki çoklu değişkenler arasındaki karmaşık etkileşimleri dikkate alan yeni bir eğitim stratejisi önerildi.
Yeni yöntem, model eğitimini dört boyutlu varyasyonel veri asimilasyon (4DVar) problemi olarak yeniden formüle ediyor. Bu yaklaşım, reanaliz verilerini mükemmel olmayan gözlemler olarak ele alarak, çoklu değişkenler arasındaki bağımlılıkları ve bunların hatalarını yakalayan kovaryans yapılarını kayıp fonksiyonuna dahil ediyor.
Uygulamada bu hedef, otokodlayıcı ile öğrenilmiş gizli uzayda kayıp hesaplanarak yaklaştırılıyor. Bu sayede modeller, atmosferik süreçlerin fiziksel bağlantılarını daha iyi anlayabiliyor ve gerçekçi dinamikleri öğrenebiliyor.
Bu gelişme, yapay zeka tabanlı hava tahmin modellerinin sadece hızlı değil aynı zamanda fiziksel olarak da tutarlı sonuçlar üretmesinin önünü açarak meteoroloji alanındaki ikinci devrimin daha sağlam temeller üzerine oturmasını sağlıyor.